Comment fonctionne la mise en correspondance des appels d'offres par l'IA : la technologie derrière l'achat public intelligent
Lorsque les gens entendent qu'un système d'IA associe des appels d'offres à des entreprises, ils imaginent souvent une simple correspondance de mots-clés. La réalité est bien plus sophistiquée.
Le problème de la correspondance par mots-clés
La correspondance par mots-clés échoue parce que le langage des appels d'offres et les descriptions d'entreprises se recoupent rarement avec précision. « Services d'ingénierie civile pour la réhabilitation d'autoroutes » ne correspondra pas à « entretien des infrastructures routières ». Les mots diffèrent. Le sens est le même.
Les embeddings vectoriels : transformer le texte en nombres
Le fondement de la mise en correspondance moderne par IA est l'embedding vectoriel, une représentation mathématique qui capture le sens, et pas seulement les mots. Deux textes de sens similaire ont des embeddings similaires même s'ils ne partagent aucun mot.
Le processus de mise en correspondance
Lorsque Trinta traite un nouvel appel d'offres, il génère un embedding à partir du titre, de la description, de la catégorie et de l'émetteur. Lorsqu'une entreprise complète son profil, un embedding est également généré à partir de celui-ci. Trouver des correspondances est une recherche de similarité mathématique parmi les appels d'offres que vos agents collectent chaque jour, renvoyée en quelques millisecondes. L'approche a été construite sur une archive de plus de 450 000 appels d'offres réels.
Le système de notation à cinq facteurs
La similarité sémantique seule ne suffit pas. Trinta la combine avec quatre facteurs supplémentaires :
Recoupement sectoriel (25 %) : les secteurs de l'entreprise correspondent-ils aux catégories de l'appel d'offres ?
Adéquation géographique (15 %) : l'entreprise est-elle active dans le pays de l'appel d'offres ?
Adéquation à la taille de l'entreprise (12 %) : la valeur du contrat correspond-elle à la capacité de l'entreprise ?
Signaux historiques (8 %) : l'entreprise a-t-elle déjà remporté des contrats similaires ?
La boucle de rétroaction
La mise en correspondance s'améliore grâce aux retours des utilisateurs. Les signaux « pouce en haut » et « pouce en bas » améliorent les futures correspondances pour les entreprises similaires.
Questions fréquentes
01Comment fonctionne vraiment la mise en correspondance d'appels d'offres par l'IA ?
La mise en correspondance d'appels d'offres par l'IA convertit à la fois le texte de l'appel d'offres et la description des produits d'une entreprise en embeddings vectoriels, des représentations mathématiques du sens, puis mesure leur proximité. Comme la comparaison est sémantique plutôt que littérale, un avis qui décrit votre produit avec d'autres mots correspond quand même. La notation ajoute ensuite des facteurs qui vont au-delà de la similarité, comme la géographie et l'envergure du contrat.
02Que sont les embeddings vectoriels dans la mise en correspondance d'appels d'offres ?
Un embedding vectoriel est une représentation numérique du texte qui place les sens similaires près les uns des autres dans un espace mathématique. Dans la mise en correspondance d'appels d'offres, l'avis comme le catalogue du fournisseur deviennent des embeddings, de sorte que le système compare le sens plutôt que la formulation exacte. C'est ce qui permet à une spécification formulée différemment de correspondre à un produit auquel elle convient réellement.
03Pourquoi la correspondance par mots-clés manque-t-elle des appels d'offres pertinents ?
Parce que les acheteurs décrivent ce dont ils ont besoin avec leurs propres mots, pas les vôtres. Un hôpital qui lance un appel d'offres pour une centrale d'oxygène peut écrire « unité de production de gaz médicaux », « générateur PSA », ou une simple spécification technique sans le moindre nom de produit. Une liste de mots-clés ne correspond qu'aux formulations que vous aviez prévues, et vous submerge d'avis qui partagent un mot par hasard.
Partager cet article
Pour aller plus loin
Articles similaires